Skywork Reward Gemma 2 27B

🚀 Skywork奖励模型系列

Skywork奖励模型系列包含两款先进的奖励模型，分别基于特定架构构建，使用高质量偏好数据对模型进行训练，在RewardBench排行榜上表现优异，可用于处理复杂场景下的偏好问题。

🚀 快速开始

Skywork-Reward-Gemma-2-27B 和 Skywork-Reward-Llama-3.1-8B 分别基于 gemma-2-27b-it 和 Meta-Llama-3.1-8B-Instruct 架构构建。这两款模型均使用 Skywork奖励数据集合 进行训练，该集合仅包含80K个来自公开数据的高质量偏好对。

我们仅使用公开数据，旨在证明在无需进一步进行算法或架构修改的情况下，通过相对较小的数据集和简单的数据整理技术，也能够实现高性能的奖励模型。Skywork奖励数据集合 中使用的数据来源详情见下文 数据混合 部分。

训练得到的奖励模型在处理复杂场景下的偏好问题时表现出色，包括具有挑战性的偏好对，并且涵盖了数学、编码和安全等多个领域。截至2024年9月，它们在 RewardBench排行榜 上分别位居第一和第三。

✨ 主要特性

• 高性能：在RewardBench排行榜上取得优异成绩，Skywork-Reward-Gemma-2-27B和Skywork-Reward-Llama-3.1-8B分别排名第一和第三。
• 数据高效：使用相对较小的数据集（80K高质量偏好对）和简单的数据整理技术，实现了高性能的奖励模型。
• 多领域适用：能够处理复杂场景下的偏好问题，涵盖数学、编码和安全等多个领域。

📚 详细文档

数据混合

我们没有依赖现有的大型偏好数据集，而是精心整理了 Skywork奖励数据集合，以满足以下两个目标：（1）包含高质量的偏好对；（2）针对特定的能力和知识领域。整理后的训练数据集大约包含80K个样本，这些样本是从多个公开可用的数据来源中进行二次采样得到的，包括：

1. HelpSteer2
2. OffsetBias
3. WildGuard (对抗性)
4. Magpie DPO系列：Ultra、Pro (Llama-3.1)、Pro、Air。

声明：除了对上述数据集进行二次采样以创建Skywork奖励数据集合外，我们未对原始数据集进行任何修改。

在数据集整理过程中，我们采用了一些技巧，在不影响整体性能的前提下，实现了性能提升和各领域之间的平衡：

1. 我们根据数据集中提供的平均ArmoRM分数，分别从组合后的Magpie数据集中的数学、代码和其他类别中选择顶级样本。我们分别将Magpie-Air子集和Magpie-Pro子集中的ArmoRM平均分数减去0.1和0.05，以优先选择Magpie-Ultra和Magpie-Pro-Llama-3.1样本。
2. 我们没有将WildGuard中的所有偏好对都包含在内，而是首先在其他三个数据源上训练了一个奖励模型（RM）。然后，（1）使用这个RM对WildGuard中所有样本的选择响应和拒绝响应进行评分；（2）仅选择选择响应的RM分数大于拒绝响应的RM分数的样本。我们观察到，这种方法在提高安全性的同时，很大程度上保留了聊天、硬聊天和推理的原始性能。对于这两个模型，我们使用27B模型对WildGuard样本进行评分。

RewardBench排行榜

我们使用 官方测试脚本 在 RewardBench 上对我们的模型进行了评估。截至2024年9月，Skywork-Reward-Gemma-2-27B和Skywork-Reward-Llama-3.1-8B在RewardBench排行榜上分别排名第一和第三。

💻 使用示例

基础用法

我们提供了Skywork奖励模型系列的示例用法。请注意：

1. 我们从两个模型的聊天模板中移除了BOS标记，以防止在 apply_chat_template 和分词过程中重复添加。因此，请不要依赖 apply_chat_template 来添加BOS标记。
2. 为了使27B奖励模型达到最佳性能，请确保你已经启用了 flash_attention_2 或 eager 实现。默认的 spda 实现可能会导致一些问题，从而显著降低该模型的性能。

以下是一个获取两个对话奖励分数的示例：

import torch

from transformers import AutoModelForSequenceClassification, AutoTokenizer

# 加载模型和分词器
device = "cuda:0"
model_name = "Skywork/Skywork-Reward-Gemma-2-27B"
rm = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map=device,
    attn_implementation="flash_attention_2",
    num_labels=1,
)
rm_tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "Jane has 12 apples. She gives 4 apples to her friend Mark, then buys 1 more apple, and finally splits all her apples equally among herself and her 2 siblings. How many apples does each person get?"
response1 = "1. Jane starts with 12 apples and gives 4 to Mark. 12 - 4 = 8. Jane now has 8 apples.\n2. Jane buys 1 more apple. 8 + 1 = 9. Jane now has 9 apples.\n3. Jane splits the 9 apples equally among herself and her 2 siblings (3 people in total). 9 ÷ 3 = 3 apples each. Each person gets 3 apples."
response2 = "1. Jane starts with 12 apples and gives 4 to Mark. 12 - 4 = 8. Jane now has 8 apples.\n2. Jane buys 1 more apple. 8 + 1 = 9. Jane now has 9 apples.\n3. Jane splits the 9 apples equally among her 2 siblings (2 people in total). 9 ÷ 2 = 4.5 apples each. Each person gets 4 apples."

conv1 = [{"role": "user", "content": prompt}, {"role": "assistant", "content": response1}]
conv2 = [{"role": "user", "content": prompt}, {"role": "assistant", "content": response2}]

# 格式化并分词对话
conv1_formatted = rm_tokenizer.apply_chat_template(conv1, tokenize=False)
conv2_formatted = rm_tokenizer.apply_chat_template(conv2, tokenize=False)
conv1_tokenized = rm_tokenizer(conv1_formatted, return_tensors="pt").to(device)
conv2_tokenized = rm_tokenizer(conv2_formatted, return_tensors="pt").to(device)

# 获取奖励分数
with torch.no_grad():
    score1 = rm(**conv1_tokenized).logits[0][0].item()
    score2 = rm(**conv2_tokenized).logits[0][0].item()
print(f"Score for response 1: {score1}")
print(f"Score for response 2: {score2}")

# 输出:
# Score for response 1: 9.1875
# Score for response 2: -17.875

🔧 技术细节

技术报告

Skywork-Reward: Bag of Tricks for Reward Modeling in LLMs

📄 许可证

声明

我们在此声明，不得将Skywork模型用于任何危害国家或社会安全的活动，或从事非法行为。此外，我们要求用户在未进行适当的安全审查和记录的情况下，不要将Skywork模型部署到互联网服务中。我们希望所有用户都能遵守这一原则，以确保技术进步在规范和合法的环境中进行。

我们已尽最大努力确保模型训练过程中使用的数据符合规定。然而，尽管我们付出了巨大努力，但由于模型和数据的复杂性，仍然可能存在不可预测的风险和问题。因此，如果因使用Skywork开源模型而出现任何问题，包括但不限于数据安全问题、舆论风险，或因模型被误导、滥用、传播或不当使用而产生的任何风险和问题，我们将不承担任何责任。

许可协议

社区使用Skywork模型需要遵循 Skywork社区许可证。Skywork模型支持商业使用。如果您计划将Skywork模型或其衍生产品用于商业目的，则必须遵守 Skywork社区许可证 中的条款和条件。

📞 联系我们

如果您有任何问题，请随时通过 yuhao.liuu@kunlun-inc.com 或 liang.zeng@kunlun-inc.com 与我们联系。

📚 引用

如果您觉得我们的工作有帮助，请使用以下BibTeX条目引用我们：

@article{liu2024skywork,
  title={Skywork-Reward: Bag of Tricks for Reward Modeling in LLMs},
  author={Liu, Chris Yuhao and Zeng, Liang and Liu, Jiacai and Yan, Rui and He, Jujie and Wang, Chaojie and Yan, Shuicheng and Liu, Yang and Zhou, Yahui},
  journal={arXiv preprint arXiv:2410.18451},
  year={2024}
}